python - LabelEncoder 将不同的值编码为相同的值

Question

摘要:Sklearn 的 LabelEncoder 将不同的值编码为相同的值。 encoder.fit(data) 和 data_encoded =encoder.transform(data) 可以正确完成，但是当我这样做时 encoder.inverse_transform(data_encoded) 就在转换之后，它引发了一个错误:

ValueError: y contains previously unseen labels: [19297]

我想做的事情:

我的数据有点大(接近 1.5 GB)，而且还会有更多数据。为了实现机器学习任务，我需要对数据进行标签编码，但我无法在本地笔记本电脑上执行此操作，因为编码器必须查看整个数据才能正确编码，但数据稍大而无法处理。

我做了什么:

因此，我将整个数据加载到 Google Colab 中，对其进行编码，然后使用 pickle 保存编码器。然后在我的本地 PC 中，我获取了新数据(要小得多)，加载编码器，更新 encoder.classes_ (参见代码第 1 部分)

然后对新人数据进行改造。然后尝试对其进行逆变换，以确保其正确完成。但它引发了一个错误。 (见第二部分)

然后我检查了值 19297 以通过 data.loc 查看其索引。获取索引并检查原始数据，发现编码器将不同的值编码为相同的值(不同的值 -> 19297)。任何人都可以帮助解决这个问题吗？坦克很多。

第 1 部分:

with open("data/encoders/item_id_encoder.pkl", 'rb') as file:
    item_encoder = pickle.load(file)
with open("data/encoders/store_id_encoder.pkl", 'rb') as file:
    store_encoder = pickle.load(file)
with open("data/encoders/week_encoder.pkl", 'rb') as file:
    week_encoder = pickle.load(file)

item_classes = set(item_encoder.classes_) 
store_classes = set(store_encoder.classes_)
week_classes = set(week_encoder.classes_)

bar.start()
for row in data.itertuples():
    if row.item_id not in item_classes:
        item_classes.add(row.item_id)
        item_encoder.classes_ = np.append(item_encoder.classes_, row.item_id)
    if row.store_id not in store_classes:
        store_classes.add(row.store_id)
        store_encoder.classes_ = np.append(store_encoder.classes_, row.store_id)
    if row.week not in week_classes:
        week_classes.add(row.week)
        week_encoder.classes_ = np.append(week_encoder.classes_, row.week)
    bar.update(row.Index)
bar.finish()

第 2 部分:

store_ids = store_encoder.transform(data.store_id)
item_ids = item_encoder.transform(data.item_id)
weeks = week_encoder.transform(data.week)

# this raises error
item_encoder.inverse_transform(item_ids)

Answer 1

嗯，我已经实现了一个具有更新功能的标签编码器。您可以:

• 安装数据编码器以启动编码器。编码器将保存为 pickle 文件。
• 使用新数据更新编码器
• 对数据进行变换和逆变换

参见:https://github.com/emremrah/Lencoder